高效分割:学习在语义边界附近进行下采样
本文提出一种基于学习性下采样模块的图像分割算法来解决低成本语义分割,优化采样密度分布并通过规则项鼓励采样位置聚焦于对象边界,实验证明对图像分辨率高、计算资源限制的三组数据集均具有高效 - 准确性的优势。
Sep, 2021
通过引入一种名为 Edge-preserving Probabilistic Downsampling (EPD) 的新方法,该方法利用局部窗口中的类别不确定性产生软标签,以低分辨率实现网络生成高质量预测,从而更有效地保留边缘细节,并在图像下采样中优于常规的最近邻插值方法和双线性插值方法,从而提高整体性能。相较于常规插值方法,我们的方法在将数据下采样至 1/2、1/4 和 1/8 时,Intersection over Union (IoU) 显著提高了 2.85%、8.65% 和 11.89%。
Apr, 2024
本研究提出了一种全新的、通过高分辨率图像引导的、精确高效的稀疏深度数据上采样方法,使用结构化边缘检测和语义场景标记来获取目标边缘线索,并将两种线索结合于测地距离度量中,进而在利用局部内容的情况下,实现了保持边界的深度插值,通过将观察到的场景结构建模为本地平面元素,并将上采样任务形式化为全局能量最小化问题,定出全局一致的解决方案,有效地保留了细节和深度边界,实验结果表明,与现有技术相比,本研究方法在不同的应用水平下均表现出卓越的性能。
Aug, 2016
本文提出了一种基于稀疏深度可分离卷积模块的新型管道,该管道通过减少网络参数数量并保留整体任务性能,需要更少的地面真实注释来实现优越的分割准确性,并提出了一个新的用于处理 3D LiDAR 点云数据的样本下采样方法,与现有方法相比具有更好的性能,同时在有限的训练数据上也表现出显着的性能提高。
Mar, 2023
本文旨在解决在大型稀疏数据集上进行语义分割任务的挑战,提出了一种自适应采样方法和基于深度双通道卷积神经网络的算法,取得了 VISCERAL 解剖学基准测试的最新的最好结果。
Sep, 2017
本文提出了一种通用的半监督语义分割框架,旨在在各种应用领域实现更低的注释和部署成本,并通过像素感知熵正则化的特征对齐目标来最小化有监督以及无监督损失,以实现在多个领域中都能使用单一模型,利用少量标记实现性能提升,同时可以处理不同领域的标签空间不同的问题。
Nov, 2018
本文提出了一种简单而有效的可调节语义分割方法(SlimSeg),该方法可以根据所期望的准确度和效率平衡在不同容量下进行推理,并通过阶梯式向下蒸馏的参数化通道精简来进行训练,并引入了边界引导的语义分割损失来改进每个子模型的性能,在 Cityscapes 和 CamVid 等语义分割基准测试中展示了我们提出的 SlimSeg 在各种主流网络上的灵活性能和比独立模型更好的性能。
Jul, 2022
通过简化网络架构,我们展示了一种直接产生高分辨率分割结果的简化模型,其性能可以与生成低分辨率结果的更复杂系统匹配,并通过底层信息传播技术在不同尺度上提高分割准确性。
Feb, 2024